首尾相差近20个百分点 从沪深300指增中汲取经验

　　原标题：指增产品跑输十几个百分点!是“指增”还是“指减”?

　　近期，中证A500指数增强基金的火热上报和发行，再度引发市场对于指增产品的关注。

　　中国证券报记者梳理发现，以沪深300指增为例，经历了今年一季度和三季度的两轮急速反弹行情之后，指增产品跑输指数的情况并不少见，多者甚至跑输了十几个百分点。

　　业内人士告诉记者，今年风格偏离给量化策略带来的影响是存在的，比如春节前小盘股明显回撤，9月低贝塔股票反弹动力不足，如果组合当时有太多的负偏离，都会对组合收益形成拖累。

　　首尾相差近20个百分点

　　今年一季度与三季度，A股市场经历了两波触底反弹行情，剧烈波动的市场环境给那些在跟踪指数基础上谋取超额收益的指数增强基金带来了巨大考验。以沪深300指增为例，数据显示，截至12月4日，沪深300指数今年以来上涨14.56%，然而仅有不到六成的沪深300指增产品(成立于2024年之前)跑赢了沪深300指数。

　　其中，海富通沪深300指数增强A、华安沪深300增强策略ETF等绩优产品年内涨幅超20%，易方达基金、国泰基金、安信基金、华夏基金、创金合信基金等旗下的沪深300指增产品年内涨幅也在18%以上，居于同类产品前列。

　　9月24日这轮行情启动以来，华夏沪深300指数增强A等迅速反应，在这轮反弹中甚至小幅跑赢沪深300指数，显著提高了组合的年内回报。

　　然而，长城久泰沪深300A、国金沪深300指数增强A、万家沪深300指数增强A等表现靠后，年内收益率不足5%，低者甚至不足1%，大幅跑输沪深300指数。如此看来，今年以来沪深300指增产品首尾业绩相差近20个百分点。

　　长城久泰沪深300A基金经理在定期报告中复盘表示，一季度，微小市值个股流动性风险表现突出，受市场尾部风险影响，因子与模型短期表现不佳，在阿尔法和贝塔暴露上同时带来负向贡献;二季度，基于对中小股票的认知变化，模型在股票池的基础构建中优化了价值性的筛选因子;三季度，A股市场触底反弹，组合在价值风格上适度暴露，三季度大多时间相对表现稳健，但季度末开始的反弹强贝塔行情下上涨动力不足，导致跑输业绩基准。

　　警惕风格过度暴露风险

　　富国中证500指数增强基金经理徐幼华对中国证券报记者表示，今年风格偏离给量化策略带来的影响是存在的，比如春节前小盘股出现明显回撤，这时候如果对市值因子有太多负偏离，组合在市值因子上就有可能会承受较大的损失。此外，9月市场情绪出现明显转向，低贝塔的股票反弹动力不足，这时候若组合有太多的负偏离，也可能会有明显损失。

　　对于今年沪深300指增基金相对落后的收益表现，国金基金量化投资中心透露，该产品投资运作的目标是满足成分股占比和跟踪误差限制的前提下追求超额收益，该管理目标可能在市场环境较为极致的情况下带来较大的超额波动。“因此10月份开始，在符合法律法规的规定及基金合同的约定前提下，我们统一调整了指数增强产品线的管理目标，严格限制风格行业暴露敞口，同时力求优化相应的阿尔法模型。”

　　某年内绩优沪深300指增基金经理告诉记者，今年能够做出较好的超额收益，可能在于没有在风格上做过多的暴露。“量化模型搞到极致获取的超额收益在我的能力圈范围内，但主动超配风格和行业，就是在我能力圈范围外了，我们更希望把组合交给市场、交给数据，保持相对较低的偏离度。”

　　由于多数量化模型是建立在历史较长的规律和经验之上，并根据市场环境的短期变化来进行动态更新和调整，徐幼华表示，短时间内量化模型适应市场的大幅反转是较难的。

　　“9月之前，相对有效的一些因子在行情切换后都出现了明显回撤，而一些此前表现相对较弱的因子反而出现反转迹象，所以当市场情绪或风格出现明显切换的时候，如果仅依靠单一模型或信号就会出现较大的风险。”徐幼华认为，稳健的策略应该能够适应各种可能的环境、根据市场变化进行必要调整以及能够识别极端市场环境以进行必要的人工干预。

　　经历此番调整之后，西部利得基金基金经理翟梓舰和记者分享了后续量化策略的改善思路。一方面，提升策略阿尔法收益来源的多样性，包括迭代因子库、开发新模型、形成低相关性的多策略配置等;另一方面，重视风控模型的使用，包括迭代风控模型、调整风险敞口等。

　　从沪深300指增中汲取经验

　　近期，中证A500掀起指数投资浪潮。除了场内竞争激烈的中证A500ETF之外，场外的中证A500指增已经吸引40多家公募机构上报。从跟踪同一指数的指增基金数量来看，中证A500指增的上报数量目前仅次于中证500指增、沪深300指增、中证1000指增的现有产品数量。

　　记者和多家即将发行中证A500指增基金的公募机构交流时获悉，过往积累的沪深300指增策略，未来将为中证A500指增的投资管理带来重要参考。

　　沪上某公募量化基金经理向记者介绍，他们管理的沪深300指增一部分收益来自指数成分股，这方面主要采取的是传统线性模型;另一部分收益来自全市场选股，这方面应用的主要是机器学习等非线性方法，包括CatBoost、XGBoost等传统模型以及深度神经网络学习，两种策略综合运用不仅能抓住市场长期规律，还能动态适应市场的中短期变化。

　　未来对于中证A500指增的量化策略，该基金经理介绍，指数成分股方面将延续沪深300指增使用的线性与非线性方法，并进行相应的行业中性控制。“线性模型能够清晰地展现因子收益来源，非线性方法可以通过因子的轮动适应市场的变化。不过实际应用时，我们可能更倾向于更清晰的非线性方法，复杂的深度学习还需要时间积累和实盘验证。”

　　对比沪深300和中证A500.徐幼华表示，中证A500的股票数量更多且平均市值相对较小，无论是从覆盖的股票数量或是市值下沉的空间上，都为中证A500指增提供了更多的增强空间。虽然两者的策略框架不一定有很多新的变化，但徐幼华表示，更多差异是体现在对策略集合中各类模型的选择与融合。